采用人工神经网络(ANN)控制的HVDC装置改善电力系统转子角与频率稳定性

《Results in Engineering》：Rotor angle and frequency stability improvement of power system using artificial neural network controlled HVDC device

　　

摘要：本文提出一种基于人工神经网络(Artificial Neural Network, ANN)的控制策略，用于改善电力传输网络的转子角稳定性与频率稳定性。该方法将ANN控制器嵌入高压直流输电(High Voltage Direct Current, HVDC)装置内，对控制信号及触发角(firing angle)进行自适应调制，从而在扰动条件下增强系统的阻尼特性。所设计的ANN模型考虑非线性系统行为，并经训练以优化暂态过程中的动态性能。研究人员在MATLAB/PSAT(R2024a)中搭建并评估了尼日利亚330 kV、40节点输电网络。采用牛顿–拉夫逊(Newton–Raphson)潮流算法建立稳态运行条件，并通过特征值分析(eigenvalue analysis)确定临界母线位置。Makurdi母线被识别为最不稳定点，其特征值为3.3641 ± j5.2608、阻尼比低至0.0564。在该母线上施加三相平衡故障以评估系统韧性。对比所提ANN–HVDC方案与传统HVDC控制器可见，ANN方法显著提升了稳定性能：ANN控制使系统可在缩短后的临界清除时间(critical clearing time, CCT) 2 ms内恢复同步，而传统方案需3 ms，从而避免发电机失步；此外ANN控制器改善了故障后频率恢复，将发电机频率从46.5 Hz提升至49.8 Hz并维持在可接受的运行频带50 ± 0.5 Hz内。结果表明，所提控制器在弱输电网络中可提供更高阻尼、更优暂态响应及增强的动态稳定性。

论文解读——《采用人工神经网络(ANN)控制的HVDC装置改善电力系统转子角与频率稳定性》

一、研究背景与意义

随着分布式能源资源(Distributed Energy Resources, DERs)的大量接入，多机电力系统尤其在故障期间易出现非常规运行，现代电网面临维持同步稳定的严峻挑战。传统增加系统惯性的物理方法受限于经济与场地因素，而常用的自动电压调节器(Automatic Voltage Regulator, AVR)、电力系统稳定器(Power System Stabilizer, PSS)及PI/PID控制器均属线性定参控制，围绕特定运行点整定，难以应对弱电网中强非线性动态及大扰动。高压直流输电(High Voltage Direct Current, HVDC)具备快速功率调制能力，但其常规PI控制亦无法充分适应复杂工况。人工神经网络(Artificial Neural Network, ANN)具有逼近非线性映射与自学习能力，可用于HVDC的自适应控制。本研究以尼日利亚330 kV、40母线弱输电网络为对象，探讨基于ANN控制的HVDC对转子角(rotor angle)稳定性和频率(frequency)稳定性的改善效果，具有工程参考价值。该文发表于《Results in Engineering》。

二、主要关键技术方法

研究人员采用尼日利亚国家控制中心(National Control Center, Oshogbo, TCN)提供的实际电网数据，在MATLAB/PSAT(R2024a)中建立40母线、52条输电线路、11台发电机母线、29个负荷母线的330 kV尼日利亚输电测试系统。方法包括：①牛顿–拉夫逊(Newton–Raphson)潮流计算获取稳态运行点；②基于状态空间模型的全系统雅可比矩阵特征值分析(eigenvalue analysis)，判别各发电机母线稳定性并定位最不稳定母线(Makurdi)；③在判定的最不稳定区域(Jos–Makurdi线路)分别接入传统PI控制HVDC与所提ANN控制HVDC；④于Makurdi母线设置三相金属性接地故障(balanced three-phase fault)，进行时域仿真对比临界清除时间(Critical Clearing Time, CCT)、发电机频率最低值及转子角摇摆曲线；⑤ANN为两输入（参考电流I_ref、直流电流I_dc）、隐层4神经元（Gaussian径向基激活函数）、单输出（经Sigmoid限幅输出触发角α∈[0°,180°]）的前馈网络，采用Adam优化器以均方误差(Mean Squared Error, MSE)为损失函数训练40轮(epochs)，dropout率0.3，按6∶2∶2划分训练/验证/测试集，训练样本涵盖±20%机组出力、轻/额定/重负荷、不同HVDC传输功率及不同故障持续时间下的I_d、Δδ、Δf及最优触发角。

三、研究结果

2. Materials and methods（材料与方法）

研究人员详述了测试网络拓扑与数学模型。通过Newton–Raphson法求潮流，再对含11台发电机的多机系统列写状态方程? = Ax，计算雅可比矩阵各特征值λ。λ>0判定为不稳定，λ=0为临界，λ<0为稳定。Makurdi母线因具最大正实部特征值(3.3641 ± j5.2608)及最小阻尼比(0.0564)被选为最不稳定关键母线与故障施加点，同时也是HVDC–ANN控制器的嵌入位置。

3. The dynamic modeling of a three-phase transmission network（三相输电网络动态建模）

研究人员推导了同步发电机转子运动方程（摇摆方程，swing equation）：(2H/ω_syn)·d2δ(t)/dt2 = P_m(t)?P_e(t)，计入惯性常数H、机械功率P_m与电磁功率P_e。给出多机网络节点导纳矩阵构建方法，并引入等面积准则(Equal Area Criterion, EAC)与惯性中心(Center-of-Inertia, COI)变换将多机系统等效为单机–无穷大母线模型以分析暂态稳定性。确认三相短路故障导致加速功率P_a>0、转子角持续增大，故障清除后需满足加速面积=减速面积方可恢复同步。

4. High voltage direct current device operation and control（高压直流装置运行与控制）

研究人员说明HVDC采用绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor, IGBT)的电压源换流器(Voltage Source Converter, VSC)–HVDC结构，整流侧330 kV交流变直流、逆变侧11 kV直流返交流。阐述换流器相电压离散欧拉近似表达及脉宽调制(Pulse Width Modulation, PWM)原理。

4.1. Artificial neural network control topology for HDVC system applications（ANN控制拓扑）

研究人员将ANN取代传统PI电流/触发角控制环。ANN输入为I_ref与I_dc误差量，隐层4节点使用高斯径向基函数?(x)=exp(?‖x?μ_i‖2/(2σ_i2))，输出层经Sigmoid函数 f(x)=1/(1+e^?x) 映射至触发角α，约束0°~180°。训练目标为使预测触发角逼近使暂态指标最优的参考值，MSE收敛至1×10??。

4.2–4.4. Training dataset, Training procedure, Validation and testing（训练数据集、训练过程与验证测试）

研究人员说明数据集由多工况时域仿真生成并三分划，采用Adam反向传播训练，以验证集监控过拟合，测试集评价泛化性能。经训练之ANN控制器嵌入HVDC后在未见工况（负荷波动、出力变化、严重三相故障）下验证转子角稳定性、频差、振荡阻尼及CCT。

5. Results and discussion（结果与讨论）

特征值分析显示无HVDC时Makurdi母线具正特征值表征网络不稳定。接入传统PI–HVDC并于3 ms清除故障时，Okpai发电机最低频率降至46.5 Hz（越出50±0.5 Hz），转子角大幅振荡（?120°~?150°），虽略有改善但仍未充分稳定。

接入ANN–HVDC后，网络主导特征值移至?1.345 ± j4.567（实部为负，系统稳定），Makurdi母线阻尼获改善。三相故障下ANN–HVDC使CCT缩短至2 ms即可恢复同步（传统PI需3 ms）；11台发电机最低频率抬升至49.8 Hz（最高50.2 Hz），落于允许频带49.5–50.5 Hz内；转子角振荡快速衰减，各发电机恢复同步。相较PI–HVDC，ANN方案使频率恢复提升约6.06%、转子角稳定改善约30.1%、CCT改善约20%。作者指出前馈ANN需充足训练数据且具黑箱性质，须与解析法结合确保稳定性理论保证。

四、结论（翻译浓缩）

本研究证实了基于ANN控制的HVDC装置可提升弱输电网络（如尼日利亚40母线330 kV电网）的动态稳定性。潮流与特征值分析识别出Makurdi母线存正特征值及低阻尼比。在Jos–Makurdi线路分别接入PI–HVDC与ANN–HVDC对比：PI–HVDC将频率从46.5 Hz改善至约50.1 Hz，转子角由失步改善至约37°，CCT为3 ms；ANN–HVDC将最低频率提升至49.8 Hz（运行于49.5–50.5 Hz），最小转子角约53°，CCT缩减至2 ms，全网11台发电机恢复同步且振荡幅值约120°。ANN–HVDC相较传统PI–HVDC实现频率恢复提升6.06%、转子角稳定提升30.1%、CCT提升20%。研究表明数据驱动控制可为发展中电网提供增强稳定裕度的有效方案，并为智能稳定增强策略在复杂演化电网中的更广泛应用奠定基础。